| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 人脸图像性别识别技术 | 第12-13页 |
| 1.2.2 深度学习技术 | 第13-14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 第二章 人脸图像性别识别关键技术 | 第16-28页 |
| 2.1 概述 | 第16页 |
| 2.2 人脸图像预处理 | 第16-17页 |
| 2.3 图像特征提取 | 第17-21页 |
| 2.3.1 局部二值模式(LBP) | 第17-20页 |
| 2.3.2 Fisher Vector (FV)编码 | 第20-21页 |
| 2.4 高维特征降维 | 第21-23页 |
| 2.4.1 主成分分析(PCA) | 第21-22页 |
| 2.4.2 互信息 | 第22-23页 |
| 2.5 支持向量机(SVM) | 第23-26页 |
| 2.5.1 优化问题 | 第24-25页 |
| 2.5.2 问题求解 | 第25-26页 |
| 2.5.3 SVM中的核函数 | 第26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 基于深度学习的人脸性别识别 | 第28-40页 |
| 3.1 概述 | 第28页 |
| 3.2 全连接神经网络 | 第28-31页 |
| 3.2.1 前向传播 | 第28-30页 |
| 3.2.2 反向传播 | 第30-31页 |
| 3.3 卷积神经网络 | 第31-35页 |
| 3.3.1 卷积层 | 第32页 |
| 3.3.2 池化层 | 第32-33页 |
| 3.3.3 非线性激活函数 | 第33-34页 |
| 3.3.4 Dropout | 第34-35页 |
| 3.4 深度残差网络 | 第35-36页 |
| 3.5 分类损失函数 | 第36-38页 |
| 3.5.1 Softmax损失 | 第36-37页 |
| 3.5.2 Large-Margin Softmax损失 | 第37-38页 |
| 3.6 人脸性别识别的深度学习方案 | 第38-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第四章 基于相似性度量的人脸性别识别 | 第40-48页 |
| 4.1 概述 | 第40-41页 |
| 4.2 基于马氏距离的度量学习 | 第41-42页 |
| 4.3 深度判别度量学习 | 第42-43页 |
| 4.4 相似性度量损失函数 | 第43-46页 |
| 4.4.1 对比损失函数 | 第43-44页 |
| 4.4.2 合页损失函数 | 第44-46页 |
| 4.5 孪生网络结构 | 第46页 |
| 4.6 本章小结 | 第46-48页 |
| 第五章 实验结果及分析 | 第48-58页 |
| 5.1 概述 | 第48页 |
| 5.2 人脸数据集 | 第48-50页 |
| 5.3 对比实验方案 | 第50-53页 |
| 5.4 实验结果与分析 | 第53-58页 |
| 5.4.1 图像的特征表达 | 第53-55页 |
| 5.4.2 相似性度量的有效性 | 第55页 |
| 5.4.3 与其它研究的对比 | 第55-56页 |
| 5.4.4 其它相关结论 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |